.png){kind=icon}
返回
A machine learning based multi-scale finite element framework for nonlinear composite materials
.png){kind=icon}
OA
AI
DOI：10.1007/s00366-025-02121-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
复合材料非弹性行为的跨尺度建模因高保真模拟的高计算成本以及跨尺度信息传递而具有挑战性。近年来，数据驱动技术已作为一种有前景的方法，用于加速异质材料的跨尺度模拟。特别是，循环神经网络（RNN）已被证明在捕捉路径依赖性材料行为（如塑性）方面具有优势。然而，在非线性有限元（FE）求解器中应用RNN仍具挑战性，因为模型输出（应力）依赖于应变增量大小。由于非线性FE求解器迭代过程中需要不规则输入应变增量且无法预知，RNN基本本构模型在非线性FE求解器中的实现可能导致收敛困难和较大误差。此外，RNN基代理模型在跨尺度FE模拟中的广泛应用需要将训练好的代理模型集成到现有的常用FE软件包中。在本工作中，我们开发了一个基于门控循环单元（GRU）的3D跨尺度框架，用于弹塑性复合材料，并将其公开存档。为此，我们开发了一种有效算法，从代表性体积单元（RVE）的高保真模拟中生成训练数据。随后，我们开发了一个FORTRAN算法，将训练好的GRU模型作为用户材料（UMAT）子程序嵌入有限元软件ABAQUS，以执行跨尺度有限元模拟。通过一系列不同载荷工况下的3D和2D边值问题，展示了所提出方法学的准确性和鲁棒性。
Keyword:
Machine learning
Recurrent neural networks
Multiscale finite element method
Surrogate modeling
Fiber composite materials
Elasto-plasticity
期刊
IF:
4.9
论文数:
2.7K
被引数:
9.3K
机构
引用论文
Multiscale modeling of inelastic materials with Thermodynamics-based Artificial Neural Networks (TANN)基于热力学的人工神经网络 (TANN) 对非弹性材料进行多尺度建模
OAAI
OAAI分享收藏Prediction of composite microstructure stress-strain curves using convolutional neural networks基于卷积神经网络的复合材料微观结构应力-应变曲线预测.png)
MATERIALS & DESIGNOAAI
MATERIALS & DESIGNIF7.9
OAAI分享收藏
查看更多内容